基于机器学习与常规指标构建的简约模型可有效预测老年人十年期痴呆风险:来自悉尼记忆与衰老研究的证据

《npj Dementia》:Machine learning models for dementia risk prediction: evidence from the Sydney Memory and Ageing Study

【字体: 大 中 小 】 时间:2026年04月28日 来源:npj Dementia

编辑推荐:

  本研究致力于解决老年人痴呆症早期风险分层困难的问题。研究人员利用悉尼记忆与衰老研究队列的基线数据,应用多种机器学习算法,开发并验证了用于预测十年后新发痴呆的模型。结果表明,一个仅包含年龄、整体认知、空腹血糖和心血管疾病风险评分四个常规可及指标的LASSO回归模型表现出最优的预测性能(AUC=0.752)和临床净收益。这项工作为在缺乏昂贵生物标志物的临床与研究环境中,实现有效的长期痴呆风险分层提供了可行的简约化工具。

  
随着全球人口老龄化加速,痴呆症已成为一个日益严峻的公共卫生挑战。阿尔茨海默病等神经退行性疾病犹如记忆的“小偷”,悄无声息地侵蚀着患者的认知能力与生活质量。尽管生物标志物研究日新月异,但如何在症状出现前数年乃至数十年,仅凭常规医疗数据精准识别出高危个体,即实现早期风险分层,仍是临床实践与公共卫生预防中的一大难题。昂贵的神经影像或新兴血液生物标志物检测难以普及,而临床医生的经验判断又缺乏量化的风险概率。那么,能否从老年人常规体检和认知评估中收集的那些看似普通的数据里,挖掘出预测未来痴呆风险的“密码”呢?这正是悉尼记忆与衰老研究团队试图解答的核心问题。
为了探索这一可能性,研究人员在《npj Dementia》上发表了一项研究。他们利用社区队列“悉尼记忆与衰老研究”的宝贵数据,对1037名基线时年龄≥70岁且无痴呆的社区居民进行了长达约10年的追踪。最终,在存活并完成随访评估的432名参与者中,有119人发展为痴呆。研究团队以此为基础,开展了一项预测模型研究,旨在比较不同机器学习方法利用基线数据预测十年后新发痴呆的能力。
研究主要应用了逻辑回归、LASSO回归、随机森林和XGBoost四种机器学习算法。关键技术方法包括:1) 利用悉尼记忆与衰老研究这一社区老年队列的基线数据和长期随访结果;2) 采集并计算了一系列基线预测变量,包括人口统计学(年龄、教育)、认知功能(通过综合神经心理学测试组合成的整体认知Z分数)、心理状态(老年抑郁量表、戈德伯格焦虑量表评分)、心血管代谢指标(空腹血糖、血脂、尿酸等)、心血管疾病风险评分(基于弗雷明汉研究的评分系统)以及炎症标志物(如C反应蛋白、白介素-6);3) 采用标准的模型开发与验证流程,将数据按7:3随机分为训练集与测试集,在训练集上构建模型,在独立的测试集上评估性能;4) 使用受试者工作特征曲线下面积、校准曲线、决策曲线分析等多种指标全面评估模型的区分度、校准度和临床实用性。
研究结果
模型性能比较
在测试集上,LASSO回归模型展现了最高的区分能力,其AUC为0.752,达到了可接受的临床预测水平。逻辑回归次之(AUC=0.707),而随机森林(AUC=0.657)和XGBoost(AUC=0.589)的表现相对较弱。在约登指数最优的阈值下,LASSO模型的敏感度为0.698,特异度为0.736,实现了较好的平衡。
模型简约性与变量重要性
最具竞争力的LASSO模型通过特征选择,仅保留了四个具有非零系数的预测变量:年龄(系数+0.065)、心血管疾病风险评分(+0.033)、空腹血糖(+0.010)和整体认知(-0.442)。这意味着更高的年龄、心血管风险和血糖水平会增加估计的痴呆风险,而更好的认知功能则会降低风险。随机森林的变量重要性分析也一致显示,认知和年龄是最具影响力的两个预测因子。
校准与临床效用
逻辑回归模型的校准度在低中风险范围内表现良好。决策曲线分析表明,在一系列临床合理的风险阈值范围内,LASSO模型相比“全部干预”或“全不干预”策略,能提供更高的标准化临床净收益,提示其在实际风险分层决策中可能具有应用价值。
APOE ε4基因型的影响
作为事后分析,研究团队在最优模型中加入了载脂蛋白E ε4等位基因携带状态。然而,这一已知的强遗传风险因素并未能进一步提升模型的预测性能,测试集AUC反而略有下降。这表明,在该研究背景下,当模型中已包含年龄、认知和心脏代谢风险信息时,APOE ε4的增量预测价值有限。
最终模型与临床应用
最终确定的LASSO模型给出了一个简洁的逻辑回归方程:logit(p) = -6.937 + 0.065×年龄 - 0.442×整体认知 + 0.010×空腹血糖 + 0.033×心血管疾病风险评分。其中p为估计的十年痴呆风险概率。研究还提供了可直接在电子表格中使用的计算公式,并详细说明了如何根据不同目标人群的痴呆患病率,通过调整模型截距来进行重新校准,以使得风险估计更具普适性。
研究结论与讨论
这项研究证实,利用常规收集的基线数据,机器学习方法可以在痴呆诊断前长达十年的时间里,对老年人的发病风险进行有意义的区分。在多种算法中,一个极其简约的LASSO回归模型脱颖而出,它仅整合了年龄、整体认知功能、空腹血糖和心血管疾病风险评分这四个易于获取的指标,便达到了可接受的预测精度(AUC 0.752)并显示出临床实用性。
该研究的意义在于,它并未追求使用最新颖或最昂贵的生物标志物,而是致力于挖掘常规临床数据的潜力。其结果表明,在缺乏先进检测手段的普通临床或研究场景中,利用此类简约模型进行初步的痴呆风险分层是可行的。这为在更广泛的环境中实施早期风险识别和针对性监测提供了实用工具。模型的高度透明和可计算性(提供具体方程和Excel公式)也增强了其可传播性和可验证性。
当然,研究也存在若干局限。模型的开发与验证基于一个特定的、存活至随访的老年澳大利亚白人队列,其结果可能存在选择偏倚,外部有效性有待在其他人群(特别是不同年龄、种族和医疗体系的人群)中进一步验证。模型依赖的综合神经心理学评估在初级保健中并不常规开展,未来需探索能否用更简易的认知筛查工具(如简易精神状态检查量表或电话访谈认知状态修改版)替代。此外,内部验证仅进行了一次训练集-测试集分割,样本量有限,未来需要更稳健的验证方法(如交叉验证、自助法)来评估模型的稳定性。
尽管如此,这项工作为痴呆症的长期预测研究提供了重要范例。它表明,将已知的风险因素通过严谨的建模框架整合成量化的风险概率,其价值远超过临床直觉判断。该模型并非旨在直接指导治疗,而是服务于风险分层和研究环境中的个体风险估计。要将此类模型真正转化为临床实践,后续仍需进行严格的外部验证,评估其与不同医疗工作流程的整合度、医患接受度,并最终证明基于风险分层能带来改善患者结局的切实益处。这项研究迈出了从复杂生物标志物研究走向基于常规数据的实用化风险预测工具的关键一步。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号